动态面板模型案例

• 1、背景

  当前有一份595名美国工人1976-1982年关于工资的面板数据（N=595,T=7），涉及数据包括被解释变量：工资对数；另外包括11个解释变量，分别为：工龄,工作周数,是否蓝领,是否制造业工作,是否美国南方,是否住大城市,是否结婚,是否女性,是否工会,教育年限,是否黑人等。部分数据如下：

  

• 2、理论

  动态面板数据是处理内生性问题的一种方法，将被解释变量的滞后项作为解释变量纳入模型，并且设置工具变量，进而进行估计，其工具变量的设置较为复杂，但需要尤其注意两个检验，分别是Hansen过度识别检验和扰动项无自相关AR检验。

• 3、操作

  本例子中操作截图如下，使用系统GMM法。下图中‘压缩工具变量’指将工具变量个数进行压缩减少，当研究变量过多并且工具变量可能很多时，可选中该项，本案例暂不选中该项。

  

  关于‘设置数据’，首先动态面板时，被解释变量的滞后阶数会作为解释变量，那么具体滞后多少阶呢？这个可以自行设置（比如设置为滞后1阶~滞后2阶），当然也可以‘智能识别’，即系统会自动运行不同的滞后阶数参数值，并且结合Hansen过度识别检验和AR检验的结果，最终确定最优滞后阶数。与此同时，解释变量的滞后阶数也可以作为解释变量，但实际研究中很少有此类情况，因而解释变量的滞后阶数0阶到0阶，即不会纳入其滞后阶数到模型中。

  

  除此之外，接着是工具变量设置，工具变量的设置上较为复杂，默认情况下以尽可能多的滞后阶数作为工具变量，具体实际研究时，可自行修改设置，但需要注意一点是，建议可先让系统默认即将所有可滞后的阶数纳入模型中，让系统判断是否通过Hansen过度识别检验和AR检验，如果通过也可，如果不通过建议此时结合专业知识情况进行逐一设置。

  最后下图中‘时间项哑变量放入模型’，其是指将时间项处理成哑变量并且纳入模型中，默认不选中该项，如果需要可选中即可。

  

• 4、SPSSAU输出结果

  动态面板模型一共输出5个表格，说明如下：

  表格/图名称	说明
  模型基本信息汇总	展示模型构建基本信息，包括模型代码及信息准则指标等
  动态面板模型结果	展示动态面板模型结果
  Hansen过度识别检验	展示Hansen过度识别检验结果
  Arellano-Bond(AR检验)	展示AR检验结果
  动态面板模型结果汇总-简化格式	展示简化格式的动态面板模型结果

• 5、文字分析

  

  上表格展示模型信息，包括GMM类型，OneStep或TwoStep差分，信息准则aic值、bic值、hqic值等。并且展示模型代码，模型代码中L表示滞后阶数，比如L1表示之后1阶。Gmm表示gmm式工具变量，括号里面‘1:.’表示滞后1阶到全部阶数，如果是IV式工具变量则格式为iv(分析项)，如果有压缩工具变量则会有‘collapse’参数值。上表格中展示 工具变量个数，总样本量，时间项，组别数量等信息，其受到工具变量等滞后阶数，是否压缩工具变量等参数影响，其并不特别意义。

  如果在参数中被解释变量的滞后阶数为‘智能识别’（或解释变量滞后阶数也纳入模型，此时也有‘智能识别’，但通常解释变量较少将滞后阶数纳入模型），系统会运行多个模型然后对比，选择最优模型输出，其标准为通过Hansen过度识别检验和AR检验的最优模型。上表格中展示 智能识别滞后阶数成功，也即意味着当前模型通过Hansen过度识别检验和AR检验。

  

  上表格展示动态面板模型结果，与普通的回归解释保持一致，先查阅某项是否呈现出显著性，如果呈现出显著性则再查阅回归系数Coef值，大于0则为正向影响，小于0则为负向影响。另外本次案例时被解释变量的滞后1阶和滞后2阶被纳入模型中，该两项均呈现出显著性。与此同时，是否蓝领和是否制造业工作这两项均呈现出显著性，是否蓝领的回归系数为-0.069<0，意味着蓝领的工作相对较低，并且是否制造业工作这项的回归系数值是0.053>0，说明制造业工作的工人其工作相对更高。

  

  针对Hansen过度识别检验，其原假设是工具变量与误差项不相关，从上表格可知：模型拒绝HanSen过度识别检验（p =0.992>=0.05)，意味着工具变量与误差项无关，说明当前模型构建良好。

  

  AR根检验原定假设为模型不存在自相关关系，通常针对AR(2)检验即可，如果AR(2)对应的p 值>0.05则接受原假设意味着模型通过自相关检验，反之则拒绝原假设意味着模型存在自相关关系。从上表格可知：模型接受AR(2)检验（p =0.063>=0.05)，意味着模型不存在自相关性，说明当前模型构建良好。

  另外SPSSAU还输出简化格式的动态面板模型结果表格，用于放入报告直接使用。

• 6、剖析

  • 动态面板模型分析涉及以下几个关键点，分别如下：

  • 动态面板模型适用于大N小T的数据结构，如果面板数据中时间项过长，比如30年的数据，这容易导致工具变量滞后阶数非常多，工具变量个数非常多从而影响模型构建；如果是T较长，建议使用普通的面板模型进行研究即可；

  • 被解释变量滞后阶数设置上，建议选择‘智能识别’，让系统自动运行不同的滞后阶数对比选择最优模型；

  • 工具变量设置上，默认是滞后1阶到全部阶数，这样工具变量个数会很多，建议可选择压缩工具变量个数等参数，也或者结合自身专业知识设置滞后阶数。